Vilken dator behöver jag för AI-utveckling?

Oavsett om det handlar om att utveckla den medicin vi tar, välja nästa video att titta på eller bara kolla vädret, så hittar AI ett sätt att påverka vardagen. Och i takt med att datorhårdvaran förbättras blir det mer tillgängligt för små utvecklare och entusiaster att utveckla en AI hemma. Idag ska vi gå igenom några av de hårdvaruöverväganden som du bör tänka på innan du bygger en dator för AI-utveckling.

Det är ingen hemlighet att större är bättre när man utvecklar AI. De största företagen i världen spenderar miljontals dollar på att köpa den bästa utrustningen för att utveckla AI. Och även om det är möjligt att utnyttja en del av den kraften själv, kan du genom att bygga ditt eget system optimera ditt arbetsflöde och spara pengar på lång sikt.

Kom ihåg att den breda tillämpningen av AI och maskininlärning också innebär att det inte finns någon lösning som passar alla, så se till att ta hänsyn till storleken och typerna av data som du förväntar dig att arbeta med. Vi vill att den här guiden bara ska vara en startpunkt när du överväger de olika faktorer som kan påverka dina behov av AI-utveckling.

För att börja med en stark grund är det viktigt att använda en kraftfull CPU med många kärnor, hyperthreading och höga hastigheter som snabbt kan flytta runt de stora mängder data som du kommer att mata in. Utöver detta bör du överväga de CPU-intensiva processer som är en del av ditt utvecklingsarbetsflöde. Saker som fysiksimuleringar och förbehandling som kanske bara är en del av din normala arbetsbelastning kan ge betydande påfrestningar när de tillämpas i stor skala.

Utöver den typiska CPU-arbetsbelastningen vill du se till att den kan stödja resten av ditt system. Även om detta inte är ett normalt problem för den genomsnittliga spelaren, kanske du vill gå utöver normala behov för att driva ditt personliga projekt. Högkvalitativa processorer som Intels Xeon-serie och AMD:s Threadripper-serie kan stödja 8 eller fler RAM-minnen samtidigt som de driver upp till 4 grafikkort via sina extra PCIe-banor. Faktum är att vissa moderkort kan stödja mer än 4 GPU:er, men nu går vi händelserna i förväg.

NVIDIA ligger onekligen i framkant när det gäller GPU-acceleration i maskininlärnings- och AI-applikationer. Deras dominans på marknaden innebär att många ML-ramverk på mjukvarusidan är specifikt optimerade för NVIDIA GPU:er. Detta beror till stor del på de tensor-kärnor som har ingått i alla RTX-kort sedan 20-serien. Tensorkärnor är dedikerade chip som specialiserar sig på funktioner som används för att träna neurala nätverk. De har möjliggjort många nya funktioner som operationer med blandad precision, vilket ger mer kontroll över avvägningen mellan hastighet och djup.

Med de ökande kraven på VRAM vill även vanliga spelare ha lite extra och samma sak gäller för utvecklare. Några av de mest populära AI- och ML-produkterna kretsar nu kring bildgenerering och -manipulation. För att träna den här typen av nätverk krävs en datauppsättning med bilder som skrivs in i VRAM under träningen. 12 GB räcker till att börja med, men som alltid bör du tänka på vilken typ av arbete du ska utföra och justera därefter.

RAM följer en liknande historia som VRAM. Det gör att din dator kan förbereda större datamängder och instruktioner som varierar kraftigt beroende på vilken typ av arbete du gör. Det rekommenderas i allmänhet att ladda hela din testdata i RAM innan du arbetar med den, så stora volymer rekommenderas alltid. Vi rekommenderar minst 32 GB, men med DDR5 kan du nu få upp till 48 GB på ett enda minne. Till exempel skulle vårt CORSAIR VENGEANCE 2x48GB kit vara perfekt för den här applikationen.

Slutligen måste all denna data lagras på lång sikt. De höga hastigheterna hos NVMe SSD-enheter kommer att vara avgörande för att flytta stora mängder data till RAM-minnet, vilket är avgörande om du arbetar med mer data än vad RAM-minnet kan rymma. Avancerade NVMe-enheter som vår MP600 kan lagra upp till 4 TB data, men långsammare SATA-enheter eller hårddiskar kan användas för långtidslagring av större volymer. För utbildningsprocessen rekommenderas inte dessa, men de kan vara det enda alternativet för extremt stora datauppsättningar.

I takt med att branschen implementerar mer AI-dedikerad hårdvara blir det allt mer lättillgängligt att använda och skapa programvara för djupinlärning. Vi hoppas att den här guiden hjälper dig att tänka på några av de överväganden du behöver göra när du bygger en dator för AI-utveckling. Kolla in CORSAIR.com för att hitta våra bästa produkter för kylning, RAM, lagring och mer för ditt nästa bygge.